Analyse d'images - HISTOMICS

Analyse morphométrique

L’analyse morphométrique permet d’analyser différents paramètres mathématiques qui caractérisent une lésion ou un processus pathologique. Le nombre et la surface de la lésion sont les deux paramètres les plus connus, mais il existe une grande quantité de caractéristiques avec lesquelles on peut décrire une lésion (par exemple le périmètre de la lésion, la convexité ou l’entropie).

La plateforme Histomics est dotée de plusieurs outils d’analyse à la fois libre de droits (Image J, ICY, QuPath) et un logiciel commercial (VIS de Visiopharm).

L’analyse comporte quatre étapes :

Numérisation des lames
Préparation et test du protocole d’analyse adapté aux lames (segmentation, post-traitement et extraction des mesures).
Analyse d’une image ou d’un batch d’images
Contrôle de qualité d’analyse et visualisation des données

Analyse par intelligence artificielle

L’intelligence artificielle (IA) représente une large catégorie qui englobe tous les algorithmes informatiques faisant progresser les processus décisionnels. L’IA opérationnalise un système informatique ou un groupe de systèmes intégrés pour effectuer une ou plusieurs tâches qui nécessiteraient historiquement l’intelligence humaine. Dans le domaine de l’histopathologie, ces tâches comprennent, mais sans s’y limiter, l’interprétation des données de l’image pour définir et étiqueter, avec beaucoup plus d’efficacité que les méthodes d’analyse morphologique classiques, les structures, les tissus et les lésions au sein de ces images.

Le Machine Learning est une sous-branche de l’IA, qui consiste à créer des algorithmes capables de s’améliorer automatiquement avec l’expérience et l’apprentissage. On parle également dans ce cas de systèmes autoapprenants. Le Deep Learning est lui-même un sous-domaine du Machine Learning, dans lequel on développe des algorithmes capables de reconnaître des concepts abstraits.

Il existe trois grands types de Machine Learning :

Dans l’apprentissage supervisé, les algorithmes s’appuient sur des jeux de données déjà catégorisés, afin d’extraire les critères utilisés pour la classification et de les reproduire.
Dans l’apprentissage non-supervisé, les algorithmes s’entrainent à partir de données brutes, desquelles ils essaient d’extraire des patrons.
Enfin, dans l’apprentissage par renforcement, l’algorithme fonctionne comme un agent autonome, qui observe son environnement et apprend au fur et à mesure des interactions avec celui-ci.

La plateforme Histomics propose des analyses par IA en utilisant le logiciel VIS de Visiopharm.

Cette technologie est utilisée pour segmenter précisément des objets d’intérêt à partir de lames histologiques virtuelles. Les structures très proches ou hétérogènes en leur morphologie, par exemple les noyaux des cellules cancéreuses ou les plaques amyloïdes dans le cerveau, peuvent ainsi être séparées.

La stratégie la plus utilisée est l’apprentissage par renforcement qui comporte plusieurs cycles d’annotation des objets d’intérêt, d’entrainement et de vérification des résultats. Une fois que le protocole est validé sur un groupe test, ce protocole peut être appliqué sur un nouveau jeu de données sans apprentissage supplémentaire.

Le protocole de segmentation par IA peut être couplé aux protocoles de morphométrie classique afin de combiner un ensemble de variables d’intérêt.